利用Python从文件夹读入图像1，将图像1转成灰度图像2。给灰度图像2人为地加上高斯噪声得到带噪声的图像3，用邻域平均法对图像3进行去噪得到图像4。在同一个界面上分别显示图像1，图像2，图像3和图像4

在Python中，我们通常会使用`PIL`（Pillow）库来处理图像，并结合`numpy`进行数学计算。以下是一段代码，演示了如何完成上述操作：

from PIL import Image
import numpy as np
from scipy.ndimage import filters
import matplotlib.pyplot as plt

# 1. 读取图像1
img1_path = 'path_to_your_image1.jpg'
img1 = Image.open(img1_path).convert('L')  # 将图像转为灰度

# 2. 创建灰度图像2
gray_img2 = np.array(img1)  # 将PIL Image转为numpy数组

# 3. 添加高斯噪声到图像2
gaussian_noise = np.random.normal(loc=0, scale=0.1, size=gray_img2.shape)
noisy_img3 = gray_img2 + gaussian_noise  # 高斯噪声的标准差可以根据需求调整

# 4. 去噪，这里使用邻域平均法
filtered_img4 = filters.gaussian_filter(noisy_img3, sigma=1)  # 可以通过调整sigma参数来控制平滑程度

# 显示所有图像
fig, axs = plt.subplots(nrows=2, ncols=2, figsize=(8, 8))
axs[0, 0].imshow(img1, cmap='gray')
axs[0, 0].set_title('Original Image (Grayscale)')
axs[0, 1].imshow(gray_img2, cmap='gray')
axs[0, 1].set_title('Grayscale Image')

axs[1, 0].imshow(noisy_img3, cmap='gray')
axs[1, 0].set_title('Noisy Image with Gaussian Noise')
axs[1, 1].imshow(filtered_img4, cmap='gray')
axs[1, 1].set_title('Image after Local Average Filtering')

for ax in axs.flat:
    ax.axis('off')
plt.tight_layout()
plt.show()

注意：在运行这段代码之前，确保已经安装了`matplotlib`库，如果未安装，可以使用`pip install matplotlib`命令安装。